基于圖像采集技術(shù)的汽車(chē)牌照自動(dòng)識別系統設計

　　2.2 特征提取

　　特征提取的主要目的是從原始數據中抽取出用于區分不同類(lèi)別的本質(zhì)特征。由于不同的特征的適用性不同，故對不同效果的字符所提取的特征性能也不盡相同，因此，用單一的特征已經(jīng)很難適應受多種條件影響的車(chē)牌照字符的識別。另外，由于不同特征的不同維之間所表示的意義也不太相同，且權重也可能相差很多，如果采用直接組合的方法，就會(huì )使權重較大的特征占主導地位，而忽略了權重較小的特征。要解決這種問(wèn)題，可以采用特征向量歸一化法或者加權的辦法，將兩種特征通過(guò)加權的方法組合起來(lái)，從而達到組合使用兩種特征的目的。

　　2.3 分類(lèi)器設計

　　分類(lèi)器就是在特征空間中用某種方法將被識別對象歸為某一類(lèi)別。其基本做法是在樣本訓練集的基礎上確定某個(gè)判決規則，以使按這種判決規則對被識別對象進(jìn)行分類(lèi)所造成的錯誤率最小或引起的損失最小。

　　采用神經(jīng)網(wǎng)絡(luò )作為分類(lèi)器時(shí)，需要有一定的訓練樣本，而且樣本個(gè)數不能太少，但是，本文的實(shí)驗環(huán)境中的車(chē)牌上，漢字、英文樣本較少，甚至某些漢字英文僅有一個(gè)或者幾個(gè)樣本，因而無(wú)法保證神經(jīng)網(wǎng)絡(luò )的訓練程度。因此，本文采用模板匹配法。模板匹配法實(shí)際上就是采用多個(gè)標準樣本的距離分類(lèi)器。通?？衫闷骄鶚颖痉▉?lái)計算樣本均值以將其作為每個(gè)類(lèi)別的標準樣本，然后計算待識別樣本與標準樣本間的距離，最后選擇距離最小的標準樣本作為待識別的樣本類(lèi)別。

　　通常采用的距離準則如下;

　　(1)Minkowsky距離

　　該距離是若干種距離的通式表示：

　　(2)“City block”距離

　　即街區距離，它是對Manhattan距離的修正，同時(shí)加上了權重。即：

　　(3)Euclidean距離

　　即歐氏距離，是Minkowsky距離在λ=2時(shí)的特例，其優(yōu)點(diǎn)是各點(diǎn)連續可微：

　　(4)Mahalanobis距離

　　即馬氏距離，它注意到樣本的統計特性，而排除了樣本間的相關(guān)性影響。它可表示為：

　　本設計選用了歐式距離。因為歐式距離可以只計算

，這樣可以降低計算時(shí)間。

　　3 結束語(yǔ)

　　本文提到的車(chē)牌照識別方法具有很好的識別效果，并可針對出現的漏識和識別錯誤等現象做出改進(jìn)，預處理時(shí)還可對圖像亮度進(jìn)行分析，針對過(guò)亮或者過(guò)暗的圖像采取不同的二值化策略;也可以根據字符識別的結果采用回溯方法來(lái)驗證車(chē)牌定位和字符切分的準確性;字符識別部分可增加字符模版的訓練樣本數量，而采用神經(jīng)網(wǎng)絡(luò )作為分類(lèi)器均可以提高字符識別的準確率。